一种基于深度学习的医学影像图像分类方法与流程

本发明涉及医学影像图像分类，具体为一种基于深度学习的医学影像图像分类方法。

背景技术：

1、医学影像图像分类在临床诊断中用于对病灶区域和正常组织进行自动识别。现有的基于深度学习的医学影像图像分类方法通常以卷积神经网络直接对原始影像进行端到端特征学习和类别预测，或者先提取纹理、形状、灰度等手工特征，再通过分类器完成分类。直接对原始影像进行学习的方式对噪声、灰度不均匀性和成像伪影较敏感，特征表达容易受到局部灰度变化干扰。手工特征提取方式依赖人工设计，难以完整描述影像中连通域结构的空间分布和几何形态信息。在特征降维和主成分确定过程中，现有方法多采用线性投影或基于向量化的特征选择，特征维数较高时存在冗余，主成分方向易受异常值和噪声影响。在分类阶段，医学影像特征向量之间通常采用欧氏距离、余弦相似度等度量方式，这类度量未考虑特征所在流形的几何结构，难以反映特征子空间之间的真实差异。基于最近模板匹配的分类结果仅依赖单一最近邻模板，未利用模板向量邻域内的类别分布信息，当模板分布不均匀或存在局部干扰时，初始分类结果容易出现偏差。医学影像图像中连通域结构信息和低秩特征表达尚未被充分利用，高维特征在流形空间中的距离度量和分类修正机制也不完善。需要处理在噪声干扰下提取具有几何结构保持能力的低秩特征并确定图像主成分方向的问题，以及在高维流形空间中利用模板邻域分布对分类结果进行稳定修正的问题。

技术实现思路

1、本发明旨在提供一种基于深度学习的医学影像图像分类方法，针对现有技术中医学影像图像特征提取受噪声和灰度不均匀性影响、高维特征存在冗余、主成分方向不稳定、分类度量未考虑流形几何结构以及分类结果未利用模板邻域信息的问题，获得更鲁棒和准确的医学影像图像分类结果。

2、为了实现上述目的，本发明提供如下技术方案：本发明提供一种基于深度学习的医学影像图像分类方法，包括以下步骤：获取待分类的医学影像图像，并对所述医学影像图像进行多尺度各向异性扩散滤波处理，得到滤波图像；对所述滤波图像进行形态学重建，提取所述滤波图像中的连通域结构，并根据所述连通域结构的几何矩特征构建初始图像特征空间；对所述初始图像特征空间进行张量分解，提取低秩张量分量作为核心特征张量；根据所述核心特征张量在各方向上的展开矩阵的奇异值分布，确定用于分类的图像主成分方向；根据所述图像主成分方向对所述医学影像图像进行投影变换，得到投影特征向量；计算所述投影特征向量与预设分类模板库中各模板向量之间的黎曼距离，根据所述黎曼距离的最小值确定所述医学影像图像的初始分类结果；根据所述初始分类结果对应的模板向量的邻域分布，对所述初始分类结果进行修正，得到所述医学影像图像的最终分类结果。该方法通过多尺度各向异性扩散滤波去除噪声并保留组织边缘和纹理结构，通过形态学重建和几何矩特征提取连通域的面积、质心坐标和主轴方向角，能够反映医学影像中病变区域的形态和空间分布特征；通过张量分解和奇异值分析提取低秩核心特征以及主成分方向，降低特征维度并增强特征判别能力；通过格拉斯曼流形上的黎曼距离度量模板相似性，并利用邻域分布修正分类结果，提高医学影像图像分类的准确性和鲁棒性。

3、作为本发明的一个技术方案，对所述医学影像图像进行多尺度各向异性扩散滤波处理得到滤波图像时，在多个尺度下分别计算所述医学影像图像中各像素点的海森矩阵，获取各尺度下每个像素点对应的海森矩阵的特征值；根据各尺度下每个像素点的海森矩阵的特征值之间的比值关系，确定各尺度下每个像素点的扩散张量；将各尺度下的扩散张量分别与所述医学影像图像进行卷积运算，得到各尺度下的中间滤波图像；将所有尺度下的中间滤波图像进行加权叠加，得到所述滤波图像。该处理能够根据图像局部结构的各向异性程度自适应调整扩散强度，在平滑噪声的同时保持边缘和角点信息，为后续连通域提取提供更稳定的图像基础。

4、作为本发明的一个技术方案，对所述滤波图像进行形态学重建和特征构建时，以所述滤波图像中各局部极大值点作为种子点，对所述滤波图像进行形态学膨胀操作，直至膨胀结果收敛，得到所述连通域结构；计算每个连通域结构的零阶几何矩、一阶几何矩和二阶中心矩，得到每个连通域结构的面积、质心坐标和主轴方向角；将每个连通域结构的面积、质心坐标和主轴方向角组合为每个连通域结构的特征向量，将所有连通域结构的特征向量按空间位置排列构成所述初始图像特征空间。通过几何矩特征描述连通域结构的空间分布、大小和方向，能够有效表达医学影像中的形态学差异。

5、作为本发明的一个技术方案，对所述初始图像特征空间进行张量分解时，将所述初始图像特征空间构建为三阶张量，所述三阶张量的三个维度分别对应图像行方向、图像列方向和特征通道方向；对所述三阶张量进行塔克分解，得到核心张量和三个因子矩阵；将所述核心张量中元素绝对值小于预设阈值的位置置零，得到低秩张量分量，将所述低秩张量分量作为所述核心特征张量。利用低秩张量分量能够抑制噪声和冗余特征，保留初始图像特征空间中的主要判别信息。

6、作为本发明的一个技术方案，对所述三阶张量进行塔克分解时，采用高阶正交迭代算法进行求解，迭代终止条件为相邻两次迭代所得核心张量的相对变化量小于预设阈值，从而稳定获得具有低秩特性的核心张量。

7、作为本发明的一个技术方案，根据所述核心特征张量在各方向上的展开矩阵的奇异值分布确定图像主成分方向时，将所述核心特征张量沿行方向展开为第一展开矩阵，沿列方向展开为第二展开矩阵，沿通道方向展开为第三展开矩阵；分别计算所述第一展开矩阵、所述第二展开矩阵和所述第三展开矩阵的奇异值，得到三个奇异值序列；从每个奇异值序列中提取前若干个最大奇异值对应的左奇异向量，将各方向上提取的左奇异向量组合为所述图像主成分方向。通过奇异值分布选取主要方向，能够获得对分类具有重要贡献的投影方向，降低特征维度并减少噪声方向的影响。

8、作为本发明的一个技术方案，从每个奇异值序列中提取前若干个最大奇异值对应的左奇异向量时，提取个数根据各奇异值序列中前若干个奇异值的累积能量占比达到预设能量阈值来确定，从而在保留充分分类信息的同时减少投影方向数量。

9、作为本发明的一个技术方案，根据所述图像主成分方向对所述医学影像图像进行投影变换时，将所述图像主成分方向中的各方向向量作为投影基向量，构建投影变换矩阵；将所述医学影像图像展平为一维图像向量，将所述一维图像向量与所述投影变换矩阵相乘，得到初始投影向量；对所述初始投影向量进行能量归一化处理，使所述初始投影向量的模长为单位长度，得到所述投影特征向量。通过投影和归一化处理，可以获得适合在流形空间中进行距离度量的低维特征表示。

10、作为本发明的一个技术方案，计算所述投影特征向量与预设分类模板库中各模板向量之间的黎曼距离时，将所述投影特征向量映射至格拉斯曼流形上，得到所述投影特征向量在格拉斯曼流形上的投影点坐标；将预设分类模板库中的每个模板向量分别映射至所述格拉斯曼流形上，得到每个模板向量对应的模板流形点；计算所述投影点坐标与每个模板流形点之间的测地线距离，将所述测地线距离作为所述黎曼距离；选取黎曼距离最小的模板流形点对应的模板向量的类别标签作为所述初始分类结果。利用格拉斯曼流形的几何结构进行相似性度量，能够更准确地反映医学影像特征之间的差异。

11、作为本发明的一个技术方案，根据所述初始分类结果对应的模板向量的邻域分布进行修正时，在预设分类模板库中，获取与所述初始分类结果对应的模板向量在格拉斯曼流形上的邻域内的所有候选模板向量；统计所述所有候选模板向量中每个类别标签的出现频次，并计算每个类别标签对应的候选模板向量与所述投影特征向量之间的黎曼距离之和；选取出现频次最高且黎曼距离之和最小的类别标签作为修正后的分类结果，将所述修正后的分类结果作为所述最终分类结果。通过对邻域内类别分布和距离信息进行修正，能够降低单一模板匹配带来的偶然性，提高最终分类结果的稳定性和准确性。

12、在上述技术方案中，本发明提供的技术效果和优点：

13、对医学影像图像进行多尺度各向异性扩散滤波，在不同尺度下利用海森矩阵特征值之间的比值关系确定扩散张量，通过多尺度扩散结果加权叠加得到滤波图像，能够在抑制噪声的同时保留边界和连通域结构。对滤波图像进行形态学重建，提取连通域结构，并计算连通域的零阶几何矩、一阶几何矩和二阶中心矩，获得面积、质心坐标和主轴方向角，将这些几何矩特征按空间位置排列为初始图像特征空间，使特征表达包含影像中结构单元的几何形态和空间分布信息。对初始图像特征空间构建三阶张量并进行塔克分解，提取低秩张量分量作为核心特征张量，将核心特征张量中绝对值较小的元素置零，去除张量中的冗余和扰动分量。根据核心特征张量沿行方向、列方向和通道方向展开矩阵的奇异值分布提取左奇异向量，组合为图像主成分方向，能够保留具有判别力的低秩结构，减少噪声和异常值对主成分方向的影响。利用图像主成分方向对医学影像图像进行投影变换并进行能量归一化，得到投影特征向量，使高维影像特征在低维主成分子空间中具有更稳定的表达。将投影特征向量映射至格拉斯曼流形，并计算其与预设分类模板库中各模板流形点之间的测地线距离，以最小黎曼距离确定初始分类结果。相比欧氏距离和余弦相似度，格拉斯曼流形上的测地线距离能够反映特征子空间之间的真实几何差异，减少高维特征空间中由向量空间度量带来的失真。在获得初始分类结果后，获取该初始分类结果对应模板向量在格拉斯曼流形上的邻域内的所有候选模板向量，统计候选模板向量中各候选模板的类别标签出现频次，并计算每个类别标签对应的候选模板向量与投影特征向量之间的黎曼距离之和，选取出现频次最高且黎曼距离之和最小的类别标签作为最终分类结果。利用模板向量邻域分布进行修正，能够避免单一最近邻模板在模板分布不均匀或局部扰动条件下引起的分类偏差，使最终分类结果同时依赖流形距离和邻域类别一致性，增强分类边界处样本的稳定性。